• Nenhum resultado encontrado

5 REDES NEURAIS ARTIFICIAIS

5.3 UTILIZAÇÃO DAS REDES NEURAIS NO ÂMBITO DA TRIBUTAÇÃO

Em tópicos precedentes, verificou-se que juntamente com o poder de tributar, é dada ao Estado a prerrogativa de fiscalizar cada ente obrigado a pagar ou recolher tributo. Desta forma, o Estado assume os custos relativos à fiscalização, tendo necessidade de buscar melhores formas de aperfeiçoar os investimentos necessários à realização da fiscalização.

Na visão de Macho-Stadler e Perez-Castrillo (2002), o aspecto mais importante para o sucesso da fiscalização é a seleção dos contribuintes a serem fiscalizados, podendo ser feita de forma aleatória ou valendo-se de recursos que possibilitem a utilização concomitante de multicritérios.

Este tipo de seleção permite então a utilização de várias informações constantes nos bancos de dados do agente fiscalizador, aumentando assim a possibilidade de sucesso da decisão na escolha do contribuinte a ser fiscalizado. Este é o propósito alternativo deste trabalho, que visa constituir-se em um critério de seleção à disposição da SEFAZ-BA.

Técnicas que poderiam ser utilizadas como multicritérios são citadas na literatura por alguns autores, dentre eles Han e Kamber (2001 apud BARRETO, 2005) que indicam regressão linear e não linear e Jackson (2001 apud SOUZA, 2002) que comenta sobre redes neurais, regressão e árvores de decisão.

Optou-se neste trabalho pela utilização de Redes Neurais Artificiais (RNA) pelas limitações que outras técnicas têm, ao não considerarem variáveis não lineares. A maior virtude das RNA é a capacidade de aprender a partir dos dados de entrada com ou sem um “professor”.

Desde seu ressurgimento no início dos anos 1980, esta técnica de Inteligência Artificial (IA) foi a que mais evoluiu, despertando o interesse de grande número de pesquisadores em todo o mundo (LUDWIG JÚNIOR; MONTGOMERRY, 2007).

A utilização de RNA neste trabalho será melhor compreendida se, analisando a topologia de uma rede neural genérica como a mostrada na Figura 6, entender-se que:

 A camada de entrada está representada pelas informações disponíveis nos diversos bancos de dados da SEFAZ-BA a serem utilizadas na seleção de contribuintes (variáveis);

A camada oculta é onde estão dispostos os neurônios escondidos

 A terceira camada é onde são dispostos os neurônios cuja saída é o resultado da avaliação do contribuinte.

Figura 6 – Topologia genérica de RNA para previsão

Fonte: NOGUEIRA, 2006

A literatura mostra a preocupação com o tema seleção de contribuintes (BRAGA, 2010), apresentou um comparativo no uso das técnicas de RNA e Regressão Linear em uma aplicação na Receita Federal do Brasil (RFB). Para a geração das redes neurais o autor utilizou a ferramenta de mineração de dados Statistica tendo optado pelo tipo de rede perceptron com múltiplas camadas (MPL) utilizando o algoritmo de treinamento supervisionado de retropropagação de erro, ou error back-propagation.

Dentre as redes geradas, segundo Braga (2010), a que apresentou a melhor performance no teste (96,65%) foi a MLP 191-9-1. Esta rede possui 191 neurônios na camada de entrada,

nove neurônios na camada escondida e um neurônio na camada de saída. No desenvolvimento do trabalho o autor utilizou as duas técnicas (RNA e regressão linear) para tentar prever a receita bruta e omissão de receitas, tendo relatado em sua conclusão que:

ficou evidente que a rede neural apresentou uma melhor capacidade de previsão do comportamento da receita bruta e consequentemente conseguiu identificar melhor as omissões de receitas. Foi possível verificar também que o modelo obtido com a regressão linear deve ser utilizado somente para diferenças entre a RB prevista e, a declarada, inferiores a R$ 9.600.000,00. Acima deste valor25, a regressão perde a sua capacidade de previsão. (BRAGA, 2010).

No dizer de Braga (2010), outra conclusão a que se chegou com o trabalho é que o resultado da rede neural chega a ser 37% superior ao da regressão linear, e ao final o autor sugere a utilização de rede neural para seleção de contribuintes a serem fiscalizados tendo como entrada as informações já constantes no banco de dados da Receita Federal do Brasil.

Nogueira (2006) realizou trabalho semelhante com os contribuintes do ICMS do estado do Maranhão, propondo um modelo comportamental genérico de usuários baseado em inferência de ações futuras a partir de ações passadas desses usuários, valendo-se de duas abordagens: uma baseada em métodos estatísticos clássicos e outra baseada em redes neurais. O autor fez uma comparação entre a utilização de um módulo neural e um módulo estatístico em que foram feitas previsões usando três tipos de grupos - setor econômico, grupo de atividade econômica e faixa de faturamento - além de um “supergrupo” composto por todos os contribuintes. Foram utilizados os dados dos 1000 contribuintes com maiores valores de arrecadação em 2004 e 2005 para os testes, o que corresponde a um percentual de 94% da arrecadação daquele estado.

Sisnando e Freitas (2006) realizaram uma pesquisa com o objetivo de oferecer uma proposta alternativa de avaliação do desempenho dos contribuintes do ICMS do Estado do Ceará, utilizando as redes neurais artificiais (RNA), capaz de fornecer previsões mais confiáveis que aquelas apresentadas pelo modelo estatístico em uso até então pela Secretaria da Fazenda do Estado do Ceará (SEFAZ-CE). Conforme indicam os autores, o modelo de avaliação/previsão do desempenho dos contribuintes do ICMS do Estado do Ceará efetua todas as operações e cálculos necessários, fornecendo índices individuais de cada contribuinte e índices médios do segmento de atividade econômica em que ele está inserido, em um mesmo exercício fiscal. A

25

A aplicação deste limite de valor refere-se a um caso particular estudado por Braga (2010) e serve para evidenciar as restrições no uso de uma técnica e outra (RNA e Regressão Linear).

partir daí, demonstram que o modelo gera uma previsão, denominada Projeção Bruta, dos valores representativos da base de cálculo da provável sonegação. O principal índice que norteia toda a previsão é denominado Taxa de Adicionamento (TA), que é conseguida pela razão entre a saída global (representativa dos valores das saídas de mercadorias declaradas pelo contribuinte ao longo do ano) e a entrada global (representativa dos valores das entradas de mercadorias declaradas pelo contribuinte ao longo do ano). Na conclusão do trabalho é apresentada uma comparação entre o modelo então em uso na seleção de contribuintes para fiscalização e o modelo proposto, baseado em redes neurais, sendo que, de acordo com os autores, o modelo de rede neural apresentou resultado bastante superior àquele oriundo do modelo vigente.

Partindo do pressuposto que RNAs são capazes de diferenciar os contribuintes com provável sonegação, Souza (2002) desenvolveu uma pesquisa com o objetivo de apresentar um mapa auto-organizável (SOM)26 treinado com os dados da Declaração Periódica de Informações (DPI) da Secretaria da Fazenda do estado de Goiás (SEFAZ-GO), que permita classificar as empresas com provável sonegação do Imposto sobre Circulação de Mercadorias e Serviços (ICMS). O trabalho contou com o desenvolvimento de uma Rede Neural Artificial com as informações disponibilizadas pela DPI e, de acordo com o autor, procurou seguir as etapas sugeridas por Caudill (1990). Para avaliação do desempenho da rede proposta, o autor considerou o grau de identificação de empresas, ou em outras palavras, quantas empresas foram corretamente classificadas pela rede. Souza (2002) sugere em sua conclusão que a adoção de redes neurais no Sistema de Monitoramento de Contribuintes27 poderia facilitar a operacionalização deste procedimento de fiscalização, pois, apesar da limitação para o teste da RNA (em função da pequena quantidade de amostras de empresas efetivamente fiscalizadas), em alguns treinamentos houve um desempenho surpreendente (100%). Estes resultados comprovam, segundo o autor, a eficácia da utilização deste tipo de RNA, na classificação de padrões (no caso empresas com provável sonegação do ICMS).

Visintín e Baulies (2001) utilizaram um Sistema Automático de Seleção, no âmbito da fiscalização aduaneira, sugerindo o cruzamento de informações prestadas pelos Contribuintes

26 Da expressão em inglês Self Organizing Map (SOM). Trata-se de uma rede neural artificial de aprendizado não supervisionado, geralmente utilizada para agrupar dados semelhantes em diferentes classes.

27

Souza (2002) descreve este Sistema de Monitoramento de Contribuintes como uma ferramenta em uso pela SEFAZ-GO como indicativo para seleção de contribuintes a serem fiscalizados.

com outros dados constantes da Administração Federal de Ingressos Públicos (AFIP) da Argentina.

5.4 UTILIZAÇÃO DAS REDES NEURAIS NOS DIVERSOS RAMOS DO